Un approccio computazionale privo di artefatti per estrarre la fase della luce da segnali di intensità rumorosi migliora l'imaging di oggetti trasparenti, come le cellule biologiche, in condizioni di scarsa illuminazione. La procedura separa i segnali di intensità in canali spettrali ad alta e bassa frequenza. Le reti neurali profonde sono addestrate per operare su queste due bande di frequenza, prima che un algoritmo finale li ricombina in un'immagine di fase a banda intera. Questo metodo evita la tendenza dei programmi di estrazione automatica di fase a sovrarappresentare le basse frequenze.

Il recupero di fase dei campi elettromagnetici è uno dei problemi più importanti in ottica in quanto consente la forma di oggetti trasparenti, comprese le cellule, da quantificare utilizzando la luce visibile. La fase è una quantità che si riferisce alla natura ondulatoria della luce; non è rilevabile direttamente dai nostri occhi o dalle comuni fotocamere, eppure contiene importanti informazioni sugli oggetti attraversati dalla luce. Misurare la fase con pochissima luce può essere ancora più interessante e utile. Con scarsa incidenza della luce, leggera tossicità per campioni biologici, Per esempio, è ridotto; però, anche il problema del recupero della fase diventa molto più difficile. I precedenti algoritmi basati sull'apprendimento profondo sono migliorati rispetto ai metodi tradizionali in condizioni di scarsa illuminazione, ma ha mostrato una tendenza a sovrarappresentare le basse frequenze spaziali nelle ricostruzioni, il che significa che le ricostruzioni sembravano sfocate.

In un nuovo articolo pubblicato su Scienza e applicazioni della luce , scienziati del 3-D Optical Systems Group del Massachusetts Institute of Technology (MIT) hanno proposto l'approccio di apprendimento della sintesi tramite DNN (LS-DNN) per combattere questa fedeltà irregolare suddividendo il segnale di ingresso in bande di frequenza spaziale bassa e alta. È quindi diventato possibile per le reti neurali profonde elaborare queste due bande di frequenza, rispettivamente; successivamente, una terza rete neurale ha imparato a sintetizzare le due bande di frequenza nella ricostruzione finale che è di alta fedeltà in tutte le bande di frequenza. Gli autori hanno scoperto che il metodo LS è particolarmente robusto nel gestire segnali di intensità estremamente rumorosi.

Gli scienziati riassumono l'impatto del loro algoritmo LS-DNN come:"Abbiamo proposto un quadro tale che quando operiamo intenzionalmente gli algoritmi di apprendimento al di fuori della loro zona di comfort, cioè con tipi di esempi diversi da quelli con cui gli algoritmi sono stati addestrati, non porta al disastro come con approcci alternativi. Questo grazie alla struttura di scissione e ricombinazione dell'architettura che abbiamo ideato. Per esempio, le bande a bassa frequenza vengono elaborate da una rete neurale che sa come gestire le basse frequenze ma non si preoccupa necessariamente del tipo di oggetti da cui provengono le basse frequenze. Analogamente per le alte frequenze. Il sintetizzatore è anche addestrato a ricombinare le due bande in modo ottimale. Questo tipo di robustezza suggerisce che l'algoritmo è facilmente applicabile in situazioni pratiche".

"Il vantaggio principale di operare in condizioni di scarsa illuminazione è che puoi ridurre la quantità di luce che fornisci al campione. I nostri esperimenti sono stati condotti con luce visibile; tuttavia, gli stessi principi si applicano ad altre bande di radiazione elettromagnetica, per esempio. Raggi X. Sappiamo che i raggi X sono dannosi, quindi se puoi ottenere la stessa qualità d'immagine ma con una dose di radiazioni molto più bassa, sarebbe un grande passo avanti".

"Il metodo LS è versatile e adattabile a una grande varietà di problemi che chiamiamo inverso, significa che hai un'osservazione indiretta e incompleta o rumorosa di un oggetto, e stai cercando di rivelare l'oggetto stesso correttamente. Dai raggi X di cui abbiamo parlato prima ai sonogrammi, risonanza magnetica, indagini geoscientifiche per scoprire la benzina:tutti questi sono esempi in cui si verificano problemi simili. La nostra tecnica, in linea di principio, è applicabile perché la competizione tra basse e alte frequenze è comune a tutti questi problemi, e così è il rumore e il segnale limitato. Quindi abbiamo grandi speranze che molto presto si ottengano immagini più chiare in tutti questi diversi domini, " hanno concluso.